★國網(wǎng)電動(dòng)汽車(chē)服務(wù)湖北有限公司邱鐵軍，許瑩，肖智旗

關(guān)鍵詞：人工智能；換電站；模塊化儲能柜；容量配置

在現代電動(dòng)汽車(chē)產(chǎn)業(yè)蓬勃發(fā)展的背景下，換電站成為電動(dòng)汽車(chē)能源補給的重要基礎設施。傳統的換電站儲能系統由于設計復雜、成本高昂、容量配置不靈活，難以適應不斷增長(cháng)的電動(dòng)汽車(chē)充電需求。尤其是在電力需求波動(dòng)和新能源接入比例逐步增加的情況下，傳統技術(shù)顯現出諸多弊端，如響應速度慢、資源利用率低等問(wèn)題。為了克服這些挑戰，基于人工智能的模塊化儲能柜容量配置技術(shù)應運而生。通過(guò)人工智能算法，可以實(shí)現對儲能容量的動(dòng)態(tài)優(yōu)化配置，提升系統的靈活性和響應效率，不僅能有效降低運營(yíng)成本，還能提高電網(wǎng)的穩定性和可靠性，從而推動(dòng)電動(dòng)汽車(chē)充電網(wǎng)絡(luò )的可持續發(fā)展。

1　換電站電力負荷規律分析

換電站電力負荷的規律分析基于電力負荷預測模型。該模型可以對電力負荷數據進(jìn)行多維度挖掘和分析，實(shí)現了對電動(dòng)汽車(chē)換電需求的精準預測，優(yōu)化了換電站儲能系統的容量配置策略，確保了換電站在不同負荷時(shí)段均能高效運行。

首先，需要采集換電站的運行數據。這些數據包括但不限于電動(dòng)汽車(chē)的換電時(shí)間、換電頻率、電池的充放電狀態(tài)、電力負荷、天氣條件等，并對采集的數據進(jìn)行預處理操作。

其次，基于長(cháng)短期記憶（LSTM）網(wǎng)絡(luò )算法建立電力負荷預測模型，將預處理后的數據集劃分為訓練集和測試集^[1]。使用80%的數據進(jìn)行訓練，20%的數據進(jìn)行測試。使用Keras深度學(xué)習框架，基于Python編程語(yǔ)言，設計LSTM網(wǎng)絡(luò )架構，輸入層接收預處理后的時(shí)間序列數據；添加兩層LSTM層，每層包含50個(gè)單元，第一層設置return_sequences=True以傳遞序列輸出至下一層；添加一層全連接層，用于生成最終的預測值；輸出層輸出電力負荷預測值。使用Adam優(yōu)化器，學(xué)習率設置為0.001，損失函數選擇均方誤差，以最小化預測誤差。

接下來(lái)，模型構建完成后，進(jìn)行模型訓練。將訓練集輸入LSTM模型，設置批量大小為64、訓練輪數為100。采用早停法監控驗證集的損失，當驗證損失不再降低時(shí)提前停止訓練，防止過(guò)擬合。

最后，模型訓練完成后，進(jìn)行模型評估。在測試集上評估模型性能，使用均方誤差（MSE）、平均絕對誤差（Mean Absolute Error，MAE）等指標評估模型的預測精度。評估結果顯示，模型在測試集上的MSE為0.0025，MAE為0.04，表明模型具有較高的預測精度。

2　基于峰谷電價(jià)差的人工智能容量配置方法

2.1　模型建立

根據電力市場(chǎng)的峰谷電價(jià)差，建立儲能系統的容量配置優(yōu)化模型^[2]。使用混合整數線(xiàn)性規劃（MILP）方法，構建以最小化電力購置成本和最大化儲能系統利用率為目標的優(yōu)化模型。定義決策變量，包括儲能系統的充電功率、放電功率和儲能容量。目標函數由峰電價(jià)時(shí)段的電力購置成本和谷電價(jià)時(shí)段的電力購置成本組成，采用權重系數平衡兩者關(guān)系。設定約束條件，確保儲能系統在充放電過(guò)程中遵守容量限制、功率限制和效率限制等技術(shù)要求。使用Gurobi優(yōu)化器進(jìn)行模型求解，該優(yōu)化器支持大規模線(xiàn)性和混合整數線(xiàn)性規劃問(wèn)題的高效求解。

2.2　算法實(shí)現

準備工作需要使用Gurobi優(yōu)化器，并需要設置求解精度和最大迭代次數。具體參數包括求解精度設置為0.01，最大迭代次數設置為1000；GA參數種群大小設置為100，交叉概率設置為0.8，變異概率設置為0.1，最大代數設置為200；PSO參數粒子數量設置為50，慣性權重設置為0.5，學(xué)習因子分別設置為1.5（個(gè)人最佳）和1.5（全局最佳）。

如圖1所示，算法開(kāi)始初始化遺傳算法和粒子群優(yōu)化的種群和粒子群。種群和粒子群的初始解通過(guò)隨機生成，確保覆蓋整個(gè)搜索空間。在每個(gè)迭代過(guò)程中，首先使用遺傳算法進(jìn)行進(jìn)化操作，包括選擇、交叉和變異。選擇操作采用輪盤(pán)賭選擇法，交叉操作采用單點(diǎn)交叉，變異操作采用隨機變異。經(jīng)過(guò)若干代進(jìn)化后，選擇最優(yōu)個(gè)體作為初始解，輸入粒子群優(yōu)化算法。粒子群優(yōu)化算法通過(guò)更新粒子位置和速度，進(jìn)一步優(yōu)化解。在每次迭代中，粒子根據其個(gè)人最佳位置和全局最佳位置更新位置和速度，尋找更優(yōu)解。每次迭代結束后，評估當前解的適應度，更新全局最佳解。

在遺傳算法和粒子群優(yōu)化算法初步優(yōu)化后，使用Gurobi優(yōu)化器對當前最優(yōu)解進(jìn)行精確求解^[3]。Gurobi優(yōu)化器通過(guò)混合整數線(xiàn)性規劃模型的約束條件和目標函數，進(jìn)一步提高解的精確性。

圖1 混合優(yōu)化算法

3　儲能柜拓撲結構設計

3.1　外掛式共交流母線(xiàn)

外掛式共交流母線(xiàn)結構通過(guò)共享一個(gè)高壓交流母線(xiàn)，實(shí)現多個(gè)儲能柜并聯(lián)連接，從而提高系統的容量和冗余度^[4]。高壓交流母線(xiàn)作為系統的核心部分，負責電能的集中傳輸和分配。使用鋁合金或銅材質(zhì)作為母線(xiàn)材料，以提高導電性能和機械強度。母線(xiàn)電壓等級選擇為35kV或110kV，根據具體應用需求確定。每個(gè)儲能柜內部配置若干個(gè)電池模組，并通過(guò)逆變器與高壓交流母線(xiàn)連接。逆變器采用三相全橋結構，以實(shí)現高效的交流電轉換和穩定的電能輸出。

通過(guò)逆變器將儲能柜中的直流電轉換為交流電，并通過(guò)高壓交流母線(xiàn)進(jìn)行集中傳輸。采用高效IGBT模塊提高逆變器的轉換效率，并減少電能損耗。

3.2　一體化共直流母線(xiàn)

如圖2所示，一體化共直流母線(xiàn)的設計通過(guò)共享一個(gè)高壓直流母線(xiàn)，實(shí)現多個(gè)儲能柜的直接并聯(lián)連接，優(yōu)化了電能傳輸路徑，減少了電能轉換損耗，提高了系統的可靠性和靈活性。母線(xiàn)電壓等級選擇為750V或1500V，根據應用需求和系統規模確定。采用銅或鋁材質(zhì)的母線(xiàn)以提高導電性能和機械強度。每個(gè)儲能柜內部配置若干個(gè)電池模組，通過(guò)DC/DC變換器與高壓直流母線(xiàn)連接。DC/DC變換器采用全橋變換器結構，以實(shí)現高效的直流電轉換和穩定的電能輸出。

通過(guò)DC/DC變換器將儲能柜中的低壓直流電轉換為高壓直流電，并通過(guò)高壓直流母線(xiàn)進(jìn)行集中傳輸^[5]。采用高效MOSFET提高DC/DC變換器的轉換效率，減少電能損耗。

圖2 一體化共直流母線(xiàn)

4　實(shí)驗驗證

4.1　電網(wǎng)需求高峰

在MATLAB/Simulink中建立儲能系統的模型，包括儲能柜、高壓直流母線(xiàn)、DC/DC變換器和保護控制系統。設置電網(wǎng)需求高峰期的負荷模型，包括峰值負荷、負荷變化速率和持續時(shí)間。設計多個(gè)實(shí)驗場(chǎng)景，模擬不同的高峰負荷條件包括場(chǎng)景一：常規高峰負荷，負荷增加至額定容量的80%；場(chǎng)景二：極端高峰負荷，負荷增加至額定容量的100%；場(chǎng)景三：突發(fā)高峰負荷，負荷瞬時(shí)增加至額定容量的120%。使用數據采集系統實(shí)時(shí)監測儲能系統的運行參數，記錄電壓、電流和功率數據。對比不同實(shí)驗場(chǎng)景下的實(shí)驗數據，評估儲能系統在高峰負荷條件下的性能。

表1 需求高峰測試結果

如表1所示，常規高峰負荷的響應時(shí)間為37.45ms，比極端高峰負荷多31.64ms，比突發(fā)高峰負荷少45.79ms；常規高峰負荷的電壓波動(dòng)為4.75V，比極端高峰負荷多0.42V，比突發(fā)高峰負荷多3.69V；常規高峰負荷的電流波動(dòng)為2.20A，比極端高峰負荷多0.40A，比突發(fā)高峰負荷多1.65A；常規高峰負荷的功率輸出效率為59.87%，比極端高峰負荷少10.94%，比突發(fā)高峰負荷多41.53%；常規高峰負荷的經(jīng)濟效益為7.80萬(wàn)元，比極端高峰負荷多6.77萬(wàn)元，比突發(fā)高峰負荷少7.41萬(wàn)元；常規高峰負荷的系統穩定性為15.60%，比極端高峰負荷少81.39個(gè)百分點(diǎn)，比突發(fā)高峰負荷少36.88個(gè)百分點(diǎn)。

總體來(lái)看，極端高峰負荷在響應時(shí)間和系統穩定性上表現最佳，但在經(jīng)濟效益和功率輸出效率上較差；常規高峰負荷在經(jīng)濟效益和功率輸出效率上表現相對平衡，但在響應時(shí)間和系統穩定性上遜色于極端高峰負荷；突發(fā)高峰負荷在功率輸出效率和響應時(shí)間上表現較差，但在電流和電壓波動(dòng)方面表現出色。

4.2　電網(wǎng)需求低谷

在MATLAB/Simulink中建立儲能系統的模型，包括儲能柜、高壓直流母線(xiàn)、DC/DC變換器和保護控制系統。設計多個(gè)實(shí)驗場(chǎng)景，模擬不同的低谷負荷條件包括場(chǎng)景一：常規低谷負荷，負荷降低至額定容量的30%；場(chǎng)景二：極端低谷負荷，負荷降低至額定容量的20%；場(chǎng)景三：突發(fā)低谷負荷，負荷瞬時(shí)降低至額定容量的10%。對比不同實(shí)驗場(chǎng)景下的實(shí)驗數據，評估儲能系統在低谷負荷條件下的性能。

表2 需求低谷測試結果

如表2所示，常規低谷負荷的充電時(shí)間為45.32分鐘，比極端低谷負荷多15.11分鐘，比突發(fā)低谷負荷多25.18分鐘；常規低谷負荷的電壓波動(dòng)為2.45V，比極端低谷負荷多0.33V，比突發(fā)低谷負荷多0.70V；常規低谷負荷的電流波動(dòng)為1.20A，比極端低谷負荷多0.25A，比突發(fā)低谷負荷多0.50A；常規低谷負荷的充電效率為85.87%，比極端低谷負荷少4.47%，比突發(fā)低谷負荷少9.55%；常規低谷負荷的經(jīng)濟效益為5.67萬(wàn)元，比極端低谷負荷少1.22萬(wàn)元，比突發(fā)低谷負荷少1.54萬(wàn)元；常規低谷負荷的系統穩定性為96.23%，比極端低谷負荷少2.22%，比突發(fā)低谷負荷少2.89%。

對比分析各項指標，可以看出：突發(fā)低谷負荷在充電效率和經(jīng)濟效益上表現最佳，但在電壓和電流波動(dòng)方面表現略有不足；常規低谷負荷在充電時(shí)間和系統穩定性上表現相對平衡，但在充電效率和經(jīng)濟效益上遜色于突發(fā)低谷負荷；極端低谷負荷在各項指標上表現均衡，且充電效率和經(jīng)濟效益較高。

5  結語(yǔ)

基于人工智能的模塊化儲能柜通過(guò)整合LSTM網(wǎng)絡(luò )、混合優(yōu)化算法和虛擬電廠(chǎng)架構，提高了電力負荷預測的準確性和儲能系統容量配置的優(yōu)化效率，確保了在峰谷電價(jià)差異下的經(jīng)濟效益和系統穩定性。應用這些先進(jìn)技術(shù)，換電站能夠實(shí)現更高效、更可靠的電力供應管理，從而提升整體運營(yíng)效率，減少電網(wǎng)壓力和電力成本。實(shí)驗驗證結果表明，儲能系統在不同負荷條件下的響應速度、穩定性和經(jīng)濟效益都有顯著(zhù)提升。未來(lái)的研究可以進(jìn)一步優(yōu)化人工智能算法和儲能系統架構，并結合先進(jìn)的數據分析技術(shù)和動(dòng)態(tài)調度策略，進(jìn)一步提高儲能系統的智能化水平和經(jīng)濟效益，為電動(dòng)汽車(chē)換電站的廣泛應用提供更堅實(shí)的技術(shù)支持。

作者簡(jiǎn)介：

邱鐵軍（1975-），男，湖北咸寧人，政工師，學(xué)士，現就職于國網(wǎng)電動(dòng)汽車(chē)服務(wù)湖北有限公司，研究方向為企業(yè)管理、充換電設施建設。

許　瑩（1980-），女，湖北咸寧人，高級政工師，學(xué)士，現就職于國網(wǎng)電動(dòng)汽車(chē)服務(wù)湖北有限公司，研究方向為企業(yè)管理、充換電設施建設。

肖智旗（1997-），男，湖北武漢人，學(xué)士，現就職于國網(wǎng)電動(dòng)汽車(chē)服務(wù)湖北有限公司，研究方向為財務(wù)、金融、企業(yè)管理。

參考文獻：

[1]焦昊東,于艾清,王育飛.考慮換電站的綜合能源系統低碳經(jīng)濟調度[J].儲能科學(xué)與技術(shù),2023,12(10):3254-3264.

[2]張梅梅,黃榆潔,周夢(mèng)迪,等.換電生態(tài)下?lián)Q電站電池配置及經(jīng)濟性研究[J].工業(yè)技術(shù)經(jīng)濟,2022,41(9):18-25.

[3]孫權,白洋,張茜,等.風(fēng)火儲電動(dòng)汽車(chē)換電站聯(lián)合優(yōu)化調度[J].電氣開(kāi)關(guān),2022,60(4):46-49.

[4]孟國情,邱曉燕,張明珂,等.計及柔性負荷和換電站的綜合能源系統優(yōu)化調度[J].電子測量技術(shù),2023,46(14):138-145.

[5]蔡紹寬.新型電力系統下的儲能解決方案探討[J].南方能源建設,2022,9(S1):17-23.

摘自《自動(dòng)化博覽》2024年10月刊